多智能体框架RegNetAgents助力癌症调控因子识别

在癌症基因组学研究中，识别驱动肿瘤发生与发展的关键调控因子一直是核心挑战之一。传统方法往往局限于单一网络或数据集，难以捕捉跨网络、多层次的调控关系。近日，研究团队提出了一种名为RegNetAgents的多智能体框架，旨在通过人工智能驱动的结构化查询，实现对异构基因调控网络中的调控候选因子进行系统性识别与评估。

RegNetAgents的核心设计基于多智能体架构，采用LangGraph有向无环图工作流实现。该框架能够同时处理来自TCGA（癌症基因组图谱）的肿瘤组织网络与GREmLN项目的大规模单细胞调控网络，实现跨网络的统一分析。对于给定的焦点基因，系统会执行双网络分类、基于OncoKB注释的癌症基因过滤，以及针对肿瘤来源调控关系的模式作用分配。最终，候选调控因子会根据其在两个网络中的证据一致性进行排序，分为“Both”、“TCGA-only”或“GREmLN-only”三类。

研究团队在11个乳腺癌（BRCA）和12个结直肠癌（COAD）焦点基因上对RegNetAgents进行了验证。结果显示，该框架识别出的候选调控因子在OncoKB注释的癌症基因中表现出显著富集。具体而言，来自TCGA网络的候选调控因子在BRCA和COAD中的Stouffer Z值分别达到6.69和6.95；而来自GREmLN网络的候选调控因子也表现出显著富集，Z值分别为5.51和7.06，所有结果的p值均小于0.0001。相比之下，管家基因或非驱动对照基因集未观察到富集现象，这充分证明了信号的特异性。

RegNetAgents的设计理念强调模块化与可扩展性。除了基础的调控候选识别功能外，该框架还包含一个扩展模块，能够对候选因子进行致癌潜力、药物可及性、临床相关性以及网络脆弱性的结构化评估。这一功能使得研究人员可以从候选识别无缝过渡到生物学假设生成，实现端到端的解释性分析。系统通过统一的Python API和模型上下文协议客户端对外提供服务，作为预计算调控网络的下游分析层，而非网络推断方法本身。

从技术实现角度看，RegNetAgents采用了多智能体协作的方式，每个智能体负责特定的分析任务，如网络查询、基因过滤、模式作用分配等。这种设计不仅提高了分析效率，还增强了系统的可解释性——研究人员可以清晰地追踪每个候选调控因子的证据来源与评估过程。此外，框架对ARACNe网络格式的兼容性使其能够直接利用大量已发布的公共调控网络数据，降低了数据预处理的门槛。

RegNetAgents的发布为癌症基因组学研究提供了一种新的分析范式。通过整合不同来源、不同尺度的调控网络数据，该框架有望帮助研究人员发现传统方法难以捕捉的跨网络调控关系，从而更全面地理解癌症的分子机制。未来，随着更多单细胞调控网络数据的积累，RegNetAgents在精准肿瘤学中的应用潜力将进一步释放。